【Snowflake】Cortex AI 入門 — SQL だけで LLM を使いこなそう!

ブログ

はじめに


こんにちは!STS技術チームです。私たちは日々 Snowflake の最新機能を検証し、実務に役立つ情報を発信しています。

Snowflake Cortex AI は、普段使い慣れた SQL を書くだけで、大規模言語モデル(LLM)による文章要約・感情分析・翻訳などを Snowflake 上のデータに直接適用できるサービスです。データを外部サービスに送ることなく AI 処理ができるため、セキュリティを保ちながら手軽に AI 活用を始められます。

本記事は、Snowflake を日頃から活用しているデータエンジニアや分析担当者の方を主な対象としています。SQL の基礎知識があれば、AI の専門知識がなくても手を動かしながら学べます。

今回の記事では、Cortex AI の主要な関数(AI_COMPLETE・AI_SENTIMENT・AI_TRANSLATE・SUMMARIZE・EXTRACT_ANSWER(参考))の使い方を、実際に手を動かしながら学べるハンズオン形式でご紹介します!


本記事でわかること


  • Snowflake Cortex AI の概要と特徴
  • 環境セットアップ(データベース・ウェアハウスの作成)
  • サンプルデータを使った Cortex AI 関数の実践的な使い方
  • AI_COMPLETE:カスタムプロンプトで LLM を呼び出す
  • AI_SENTIMENT:テキストの感情を分類する
  • AI_TRANSLATE:テキストを別の言語に翻訳する
  • SUMMARIZE:テキストを要約する
  • EXTRACT_ANSWER:テキストから質問への回答を抽出する(参考掲載:2026 年末廃止予定)

概要


Snowflake Cortex AI とは

Snowflake Cortex AI は、Snowflake が提供する AI・機械学習機能の総称です。Anthropic・Meta・Mistral・Google などが開発した世界トップレベルの LLM を、追加のセットアップなしに SQL から直接呼び出すことができます。

モデルは Snowflake によって完全にホスト・管理されているため、以下のようなメリットがあります。

  • セキュリティ:データは Snowflake のガバナンス境界内に留まるため、外部への情報漏洩リスクがありません
  • シンプルさ:追加のインフラ構築や API キーの管理が不要です
  • スケーラビリティ:大量のテキストデータをバッチ処理できます
  • コスト効率:使用したトークン数に応じた従量課金です

利用可能な主な Cortex AI 関数


Cortex AI では、さまざまなテキスト処理に対応した関数が用意されています。

関数名説明カテゴリー
AI_COMPLETE汎用 LLM 関数。任意のプロンプトを渡して自由な処理ができるCOMPLETE 関数
AI_SENTIMENTテキストの感情を分類する(positive / negative / neutral / mixed)タスク特化型
AI_TRANSLATEテキストを対応言語に翻訳する(23 言語対応)タスク特化型
SUMMARIZEテキストを要約する(英語専用)タスク特化型
EXTRACT_ANSWER ⚠️テキストから質問への回答を抽出する(2026 年末廃止予定)タスク特化型
AI_CLASSIFYテキストを定義したカテゴリーに分類するタスク特化型
AI_EXTRACTテキスト・ドキュメント・画像から構造化情報を抽出する(EXTRACT_ANSWER の後継)タスク特化型
AI_COUNT_TOKENSトークン数をカウントするヘルパー関数

補足:SNOWFLAKE.CORTEX.COMPLETE / SNOWFLAKE.CORTEX.TRANSLATE / SNOWFLAKE.CORTEX.EXTRACT_ANSWER などの旧関数(SNOWFLAKE.CORTEX.* 形式)は 2026 年末に廃止予定です。本記事では可能な範囲で新 API(AI_COMPLETE / AI_SENTIMENT / AI_TRANSLATE)を使用しています。EXTRACT_ANSWER の後継は AI_EXTRACT で、テキスト文字列を直接入力にとる構文(AI_EXTRACT(<text>, <responseFormat>))に対応しているため、テキスト列への Q&A にも利用できます。一方、行単位の要約(SUMMARIZE)には現時点で AI_ 系の直接的な代替関数が提供されていないため、こちらは引き続き旧関数を使用しています。


前提条件

ハンズオンを始める前に、以下の準備ができていることを確認してください。

  • Snowflake アカウントを持っていること
  • データベース・ウェアハウス・テーブルを作成できるロールを持っていること
  • Snowsight(Snowflake の Web UI)にログインできること

ポイント:Cortex AI 関数を使うには、ユーザーのロールに ①アカウントレベル権限 USE AI FUNCTIONS と ②データベースロール SNOWFLAKE.CORTEX_USER の両方が付与されている必要があります。デフォルトでは両方とも PUBLIC ロールに付与されているため、通常は追加設定なしで利用できます。

注意(モデルのリージョン提供):llama3.3-70b などの一部モデルはネイティブ提供が特定リージョンに限られ、claude-haiku-4-5 や qwen3-32b のようにネイティブ提供リージョンを持たず cross-region inference 経由でのみ利用できるモデルもあります。まずは現在の設定値を確認しましょう。

-- 現在の cross-region inference 設定値を確認する
SHOW PARAMETERS LIKE 'CORTEX_ENABLED_CROSS_REGION' IN ACCOUNT;

cross-region inference を有効化すると、リクエストが別リージョン・別クラウドで処理される場合があります。ANY_REGION を指定するとクラウドをまたいで処理されることがあり、その際はデータがパブリックインターネットを mTLS(Mutual TLS)1.3 で暗号化された状態で経由します。データの保存先に関する要件がある場合は、ANY_REGION の代わりに AWS_JP のように地域やクラウドを限定した値を指定してください。この設定は ACCOUNTADMIN ロールでのみ実行可能です。ご自身が ACCOUNTADMIN を持っていない場合は、以下の SQL を添えてアカウント管理者に設定を依頼してください。

-- ACCOUNTADMIN 必須の操作です。管理者への依頼時にこの SQL をお使いください。
-- cross-region inference の有効化(データ所在要件がある場合は 'AWS_JP' など地域限定値に変更)
ALTER ACCOUNT SET CORTEX_ENABLED_CROSS_REGION = 'ANY_REGION';

自分のロールで使えるモデルは、以下のコマンドで確認できます。

-- 現在のロールで利用可能な Cortex Base Model の一覧を確認する
SHOW CORTEX BASE MODELS IN SCHEMA SNOWFLAKE.MODELS;

もし USE AI FUNCTIONS 権限が不足している場合、この付与操作は ACCOUNTADMIN ロールでのみ実行可能です。ご自身が ACCOUNTADMIN を持っていない場合は、以下の SQL を添えてアカウント管理者に付与を依頼してください。

-- ACCOUNTADMIN 必須の操作です。管理者への依頼時にこの SQL をお使いください。
-- ① アカウントレベル権限の付与
GRANT USE AI FUNCTIONS ON ACCOUNT TO ROLE <your_role>;
-- ② データベースロールの付与
GRANT DATABASE ROLE SNOWFLAKE.CORTEX_USER TO ROLE <your_role>;

ハンズオン手順


Step 1:環境のセットアップ

まず、ハンズオン用のデータベースとウェアハウスを作成しましょう。Snowsight の左ナビゲーションから 「Projects」→「Workspaces」 を開き、新しい SQL ファイルを作成して以下の SQL を実行してください。

補足:Legacy Worksheets は 2026 年 6 月 22 日から Snowsight での提供が終了しており、現在は Workspaces が標準の SQL 実行環境です。

-- データベースの作成
CREATE DATABASE IF NOT EXISTS cortex_ai_db;

-- ウェアハウスの作成
CREATE OR REPLACE WAREHOUSE cortex_ai_wh
  WITH WAREHOUSE_SIZE = 'X-SMALL'
  AUTO_SUSPEND = 120
  AUTO_RESUME  = TRUE
  INITIALLY_SUSPENDED = TRUE;

-- コンテキストの設定
USE DATABASE cortex_ai_db;
USE SCHEMA PUBLIC;
USE WAREHOUSE cortex_ai_wh;

ポイント:ウェアハウスは X-SMALL サイズで十分です。AUTO_SUSPEND と AUTO_RESUME を設定しておくことで、使用していない間は自動的に停止してコストを節約できます。


Step 2:サンプルデータの準備

次に、各関数を試すためのサンプルデータを用意します。今回は製品レビューのテーブルを使います。

-- レビューテーブルの作成
CREATE OR REPLACE TABLE reviews (
  review_id   INT,
  product     VARCHAR,
  review_text VARCHAR
);

-- サンプルデータの挿入
INSERT INTO reviews VALUES
  (1, 'スマートフォン',
   'This phone is absolutely amazing! The battery life is great and the camera quality is outstanding. Totally worth the price.'),
  (2, 'ノートPC',
   'Terrible experience. The laptop overheats constantly, the keyboard feels cheap, and customer support was unhelpful.'),
  (3, 'ワイヤレスイヤホン',
   'Pretty good earbuds for the price. Sound quality is decent but the noise cancellation could be better. I would buy again.'),
  (4, 'タブレット',
   'I love this tablet! It is perfect for reading and browsing the web. The display is crisp and battery lasts all day.'),
  (5, 'スマートウォッチ',
   'Disappointed with this smartwatch. It disconnects from my phone frequently and the companion app is very buggy and crashes often.');

-- データを確認する
SELECT * FROM reviews;

問題なく実行できたら、5 行のレビューデータが表示されるはずです!


Step 3:AI_COMPLETE 関数を使ってみよう

AI_COMPLETE は Cortex AI の中で最も汎用性の高い関数です。使いたいモデルとプロンプトを渡すだけで、LLM にさまざまな処理をさせることができます。

基本構文

AI_COMPLETE('<モデル名>', '<プロンプト>')

主なモデルには以下のようなものがあります。

モデル名提供元特徴
llama3.1-8bMeta軽量・低レイテンシ。複数リージョンでネイティブ提供
llama3.3-70bMeta高精度・汎用。※ネイティブ提供は一部リージョンのみ。他リージョンは cross-region inference が必要
claude-haiku-4-5Anthropic高速・低コスト。要約・分類・簡易 Q&A 向け。※ネイティブ提供リージョンがなく、cross-region inference 経由でのみ利用可
qwen3-32bAlibaba軽量枠の代替モデル。※ネイティブ提供リージョンがなく、cross-region inference 経由でのみ利用可

注意:利用可能なモデルは随時更新されます。ご自身のロール・リージョンで実際に使えるモデルは SHOW CORTEX BASE MODELS IN SCHEMA SNOWFLAKE.MODELS; で確認するか、Snowflake 公式ドキュメント をご確認ください。

実際に試してみましょう。各レビューを日本語で要約するプロンプトを渡します。ここでは複数リージョンでネイティブ提供されている llama3.1-8b を使用します。

-- AI_COMPLETE 関数でレビューを日本語に要約する
SELECT
  review_id,
  product,
  AI_COMPLETE(
    'llama3.1-8b',
    CONCAT('次の英語のレビューを日本語で 2 文以内に要約してください:\n\n', review_text)
  ) AS summary_ja
FROM reviews;

プロンプトを工夫することで、要約だけでなく「カテゴリー分類」「改善提案の生成」「感情分析」なども同じ関数で実現できます。

ポイント:モデルによってコストと性能、利用可能リージョンが異なります。手軽に試したい場合は llama3.1-8b などの軽量モデルを、精度重視のタスクにはリージョンを確認した上で llama3.3-70b などを選ぶとよいでしょう。


Step 4:AI_SENTIMENT 関数を使ってみよう

AI_SENTIMENT は、テキストの感情を分析し、positive / negative / neutral / mixed / unknown のいずれかのラベルを返します。

注意(対応言語):AI_SENTIMENT が対応している言語は、英語・フランス語・ドイツ語・ヒンディー語・イタリア語・スペイン語・ポルトガル語の 7 言語です。日本語などそれ以外の言語は非対応のためご注意ください。

注意(入力上限):AI_SENTIMENT の入力上限は 2,048 トークン です。上限を超えると結果が得られません(NULL が返る、またはエラーになる場合があります。挙動は Snowflake 公式ドキュメント間で記述の揺れがあるため断定はできません)。アスペクト(カテゴリー)を指定する場合は最大 10 個、各 30 文字までです。

基本構文

AI_SENTIMENT('<テキスト>')

戻り値は OBJECT 型で、以下のような形式です。

{
  "categories": [
    { "name": "overall", "sentiment": "positive" }
  ]
}

全体の感情ラベルを取得するには、:categories[0]:sentiment::STRING でアクセスします。

-- AI_SENTIMENT 関数で感情ラベルを取得する
SELECT
  review_id,
  product,
  review_text,
  AI_SENTIMENT(review_text):categories[0]:sentiment::STRING AS sentiment_label
FROM reviews;

ポイント:AI_SENTIMENT を同一クエリで複数回呼び出すと、行ごとに API が重複して呼び出されコストが増加します。感情ラベルを使った並べ替えや絞り込みを行う場合は、Step 8 で紹介する CTE(WITH 句)を使った書き方がベストプラクティスです。


Step 5:AI_TRANSLATE 関数を使ってみよう

AI_TRANSLATE は、テキストを指定した言語から別の言語に翻訳します。旧 TRANSLATE 関数より高精度で、23 言語に対応しています。

基本構文

AI_TRANSLATE('<テキスト>', '<ソース言語コード>', '<ターゲット言語コード>')

主な言語コードは以下のとおりです。

言語コード言語コード
日本語jaフランス語fr
英語enドイツ語de
中国語zh韓国語ko
スペイン語esアラビア語ar

英語のレビューを日本語に翻訳してみましょう。

-- AI_TRANSLATE 関数で英語を日本語に翻訳する
SELECT
  review_id,
  product,
  review_text,
  AI_TRANSLATE(review_text, 'en', 'ja') AS review_ja
FROM reviews;

また、ソース言語コードを空文字列('')にすると、言語を自動検出して翻訳することもできます。

-- ソース言語を自動検出して翻訳する
SELECT
  AI_TRANSLATE('Bonjour le monde', '', 'en') AS translated_text;

ポイント:AI_TRANSLATE は旧 TRANSLATE 関数と比べ、全言語方向での翻訳精度が大幅に向上しています。英語↔他言語だけでなく、他言語間(例:フランス語→日本語)の翻訳精度も改善されています。


Step 6:SUMMARIZE 関数を使ってみよう

SUMMARIZE は、英語のテキストを簡潔に要約する関数です。AI_COMPLETE のようにプロンプトを工夫しなくても、手軽にテキスト要約ができます。

注意:SUMMARIZE は英語テキスト専用です。日本語など他言語の要約には、AI_COMPLETE に要約指示プロンプトを組み合わせてください。なお本関数は、行単位の要約に対応する AI_ 系の代替関数が現時点で提供されていないため、レガシー形式のまま使用しています。

-- SUMMARIZE 関数でレビューを要約する
SELECT
  review_id,
  product,
  review_text,
  SNOWFLAKE.CORTEX.SUMMARIZE(review_text) AS summary
FROM reviews;

短いテキストの場合は元の文章がそのまま返ることがありますが、長い文章の要約に特に威力を発揮します。実務では、長い顧客サポートのトランスクリプトやレポートの要約などに活用するとよいでしょう。


Step 7:EXTRACT_ANSWER 関数を使ってみよう

EXTRACT_ANSWER は、テキストと質問を渡すと、テキストの中から質問に対する回答を抽出してくれます。

基本構文

SNOWFLAKE.CORTEX.EXTRACT_ANSWER('<ソーステキスト>', '<質問>')

⚠️ 廃止予定:EXTRACT_ANSWER はテキスト・ドキュメントを問わず 2026 年末に廃止予定のレガシー関数です。公式ドキュメントでも後継として AI_EXTRACT が案内されています。AI_EXTRACT はテキスト文字列を直接入力にとる構文(AI_EXTRACT(<text>, <responseFormat>))に対応しているため、本 Step のようなテキスト列への簡易 Q&A にも利用できます。新規開発では AI_EXTRACT への移行を推奨します。本 Step はレガシー関数の動作確認を目的として参考掲載しています。

ネガティブ・混合評価のレビューから「主な問題点」を抽出する例を示します。

-- EXTRACT_ANSWER 関数で問題点を抽出する(参考:レガシー関数)
SELECT
  review_id,
  product,
  review_text,
  SNOWFLAKE.CORTEX.EXTRACT_ANSWER(
    review_text,
    'What are the main problems or issues mentioned in this review?'
  ) AS extracted_issues
FROM reviews
WHERE AI_SENTIMENT(review_text):categories[0]:sentiment::STRING
      IN ('negative', 'mixed');

テキストの中に回答が見つからない場合は、空の結果または回答なしを示すレスポンスが返ります。


Step 8:複数の関数を組み合わせてみよう

実務では、複数の Cortex AI 関数を組み合わせることで、より高度な分析が可能になります。CTE(WITH 句)を使って AI_SENTIMENT の呼び出しを 1 回に絞り、感情ラベル・日本語翻訳・要約をまとめて取得する例を示します。

ポイント:AI_SENTIMENT を同一クエリで複数回呼び出すと、その分の API コールが発生してコストが増えます。CTE を使って結果を再利用するのがベストプラクティスです。

-- CTE を使って複数の Cortex AI 関数を効率よく組み合わせる
WITH sentiment_scored AS (
  SELECT
    review_id,
    product,
    review_text,
    AI_SENTIMENT(review_text):categories[0]:sentiment::STRING AS sentiment_label
  FROM reviews
)
SELECT
  review_id,
  product,
  review_text,
  sentiment_label,
  AI_TRANSLATE(review_text, 'en', 'ja')     AS review_ja,
  SNOWFLAKE.CORTEX.SUMMARIZE(review_text)   AS summary
FROM sentiment_scored
ORDER BY
  CASE sentiment_label
    WHEN 'negative' THEN 1
    WHEN 'mixed'    THEN 2
    WHEN 'neutral'  THEN 3
    WHEN 'positive' THEN 4
    ELSE 5
  END;

このように、Snowflake Cortex AI の関数は通常の SQL 関数と全く同じ感覚で組み合わせることができます!


Step 9:クリーンアップ

ハンズオンが終わったら、作成したオブジェクトを削除してクリーンな状態に戻しましょう。

⚠️ 実行前に必ず確認してください
以下の DROP 文は、本ハンズオン専用に作成したデータベース(cortex_ai_db)とウェアハウス(cortex_ai_wh)を削除します。

  • 同名の既存オブジェクトを流用した場合は絶対に実行しないでください。 誤って別用途のデータベースを削除するおそれがあります。
  • Snowflake の Time Travel 保持期間(デフォルト 1 日。0 日に設定されている場合は即時に復旧不可、Enterprise Edition 以上は最長 90 日まで延長可)を超えると復旧できません。 削除前に本当に不要なオブジェクトか再確認してください。
-- 作成したリソースの削除(本ハンズオン専用オブジェクトである場合のみ実行)
DROP DATABASE IF EXISTS cortex_ai_db;
DROP WAREHOUSE IF EXISTS cortex_ai_wh;

参考

Getting Started With Snowflake Cortex AI
This guide provides the instructions for getting started with Snowflake Cortex AI.
Snowflake Cortex AI Functions (including LLM functions) | Snowflake Documentation
AI_COMPLETE (Single string) | Snowflake Documentation
AI_SENTIMENT | Snowflake Documentation
AI_TRANSLATE | Snowflake Documentation
AI_SUMMARIZE | Snowflake Documentation
EXTRACT_ANSWER (SNOWFLAKE.CORTEX) | Snowflake Documentation
AI_EXTRACT | Snowflake Documentation
Privileges and model access for Cortex AI Functions | Snowflake Documentation
Models and regional availability for Cortex AI Functions | Snowflake Documentation
Cross-region inference | Snowflake Documentation
SHOW CORTEX BASE MODELS | Snowflake Documentation
Deprecation of Legacy Worksheets and Dashboards | Snowflake Documentation

まとめ

本記事では、Snowflake Cortex AI の入門として、主要な関数のセットアップから実際の活用方法までをハンズオン形式で学びました。

  • SQL だけで LLM が使える:追加のインフラや API キーなしに、見慣れた SQL 構文で AI 関数を呼び出せます
  • 多彩な関数が用意されている:AI_COMPLETE(汎用)・AI_SENTIMENT(感情分類)・AI_TRANSLATE(翻訳)・SUMMARIZE(要約)など、業務でよく使うテキスト処理が一通り揃っています
  • データは Snowflake 内に留まる:外部サービスへのデータ転送が不要なため、セキュリティポリシーに沿った安全な AI 活用が可能です
  • CTE で関数を組み合わせると効率的:複数の関数を CTE にまとめることで、コストを最適化しながら感情分類・翻訳・要約を 1 クエリで同時に実行できます

顧客レビューの自動分析・多言語コンテンツの翻訳・サポートチケットの分類など、実務での非構造化テキストデータ活用に Snowflake Cortex AI はすぐに役立てられます。

ぜひ本記事のハンズオンを参考に、皆さんの実データで Snowflake Cortex AI を試してみてください!新しい AI 活用のアイデアがきっと広がるはずです 🚀

コメント

タイトルとURLをコピーしました